一种基于联合学习的信息分类方法和装置

摘要

本发明提供了一种基于联合学习的信息分类方法和装置。该方法包括：通过服务器接收参与方上传的数据信息，其中数据信息至少包含：其中数据信息至少包含：参与方的本地模型信息和/或本地模型信息对应的本地模型训练的参数；根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类；将数据信息的分类加入分类任务队列的消息下发参与方；响应参与方上传的本地模型的执行信息，确定参与方的本地模型的训练方案；将训练方案加密后下发至所述参与方。本发明在进行模型训练时能够高效实时的对训练数据进行分类，以提高参与方的本地模型的训练精度和稳定性。

说明书

技术领域

本公开涉及人工智技术领域，尤其涉及一种基于联合学习的信息分类方法和装置。

背景技术

随着用户对于数据主权的觉醒，如何保证用户的数据隐私成为了制约机器学习算法的关键，而分类是显示机器学习建模中最为关键的环节之一。比如，在征信场景中将用户上传的数据质量的高低都混为一个训练模块中，这就会导致训练的精度不高。

如何在进行模型训练时能够高效实时的对训练数据进行分类成为当下人工智能领域研究急需要解决的问题。

发明内容

有鉴于此，本公开实施例提供了一种基于联合学习的信息分类方法和装置，以解决现有技术因数据孤岛而无法对模型训练数据进行分类的问题。

本公开实施例的第一方面，提供了一种基于联合学习的信息分类方法，包括：

服务器接收参与方上传的数据信息，其中所述数据信息至少包含：所述参与方的本地模型信息和/或所述本地模型信息对应的本地模型训练的参数；

根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类；

将所述数据信息的分类加入分类任务队列的消息下发所述参与方；

响应参与方上传的本地模型的执行信息，确定所述参与方的本地模型的训练方案；

将所述训练方案加密后下发至所述参与方。

本公开实施例的第二方面，提供了一种基于联合学习的信息分类方法，包括：

响应于服务器下发的密钥，确认为联合学习架构中的参与方；

向服务器上传的数据信息，其中所述数据信息至少包含：所述参与方的本地模型信息和/或所述本地模型信息对应的本地模型训练的参数；

响应于服务器将所述数据信息的分类加入分类任务队列的消息；

获取服务器下发的加密的所述本地模型的训练方案；

根据所述训练方案对所述本地模型进行训练分类，并将训练分类后的执行结果上传至服务器。

本公开实施例的第三方面，提供了一种基于联合学习的信息分类装置，包括：

接收模块，用于服务器接收参与方上传的数据信息，其中所述数据信息至少包含：图像信息的本地模型信息和/或文本信息的本地模型信息；

预处理模块，用于根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类；

分配模块，用于将所述数据信息的分类加入分类任务队列的消息下发所述参与方；

确定模块，用于响应参与方上传的本地模型的执行信息，确定所述参与方的本地模型的训练方案；

发送模块，用于将所述训练方案加密后下发至所述参与方。

本公开实施例的第四方面，提供了一种基于联合学习的信息分类装置，包括：

响应模块，用于响应于服务器下发的密钥，确认为联合学习架构中的参与方；

上传模块，用于向服务器上传的数据信息，其中所述数据信息至少包含：所述参与方的本地模型信息和/或所述本地模型信息对应的本地模型训练的参数；

接收模块，用于响应于服务器将所述数据信息的分类加入分类任务队列的消息；

获取模块，获取服务器下发的加密的所述本地模型的训练方案；

训练模块，用于根据所述训练方案对所述本地模型进行训练分类，并将训练分类后的执行结果上传至服务器。

本公开实施例与现有技术相比存在的有益效果是：通过服务器接收参与方上传的数据信息，其中数据信息至少包含：其中数据信息至少包含：参与方的本地模型信息和/或本地模型信息对应的本地模型训练的参数；根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类；将数据信息的分类加入分类任务队列的消息下发参与方；响应参与方上传的本地模型的执行信息，确定参与方的本地模型的训练方案；将训练方案加密后下发至所述参与方。本公开实施例在进行模型训练时能够高效实时的对训练数据进行分类以提高参与方的本地模型的训练精度和稳定性。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种基于联合学习的信息分类方法的流程图；

图3是本公开实施例提供的另一种基于联合学习的信息分类方法的流程图；

图4是本公开实施例提供的另一种基于联合学习的信息分类装置的框图；

图5是本公开实施例提供的一种基于联合学习的信息分类装置的框图；

图6是本公开实施例提供的一种计算机设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：

(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。

(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。

(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。

(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。

基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。

下面将结合附图详细说明根据本公开实施例的一种基于联合学习的信息分类方法和装置。

图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。

在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。

图2是本公开实施例提供的一种基于联合学习的信息分类方法的流程图。图2的基于联合学习的信息分类方法可以由图1的服务器执行。如图2所示，该基于联合学习的信息分类方法包括：

S201，服务器接收参与方上传的数据信息，其中数据信息至少包含：参与方的本地模型信息和/或本地模型信息对应的本地模型训练的参数；本地模型信息可以包含本地模型训练的目标应用环境值、期望值以及设备的硬件系数等，对此本发明不做限定，服务器可以根据参与方需求时实接收。

具体地，服务器对数据信息(具体如判断燃气有/无烟道的图像分类等训练模型的相关数据信息)进行初始化，选取符合条件的参与者(符合条件指数据满足要求，硬件满足要求)；可以通过下述方式来实现服务器接收参与方上传的分类信息：

步骤一、确定发送数据信息的参与方已加入联合学习架构；

步骤二、按预设条件对参与方发送的数据信息进行初始化；

步骤三、将初始化后的数据信息进行加密，并将加密对应密钥下发至加入联合学架构的参与方对应的网络结构；

其中，初始化后的数据信息至少包含：参与方的基础信息和参与方对数据的满意度。

S202，根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类。

具体地，在基于联合学习框架下，当接收到参与方上传数据信息时，取与应该参与方对应的预设条件，由于一个服务器可以对应多个参与方，因此在确定为参与方加入联合学习框架中时，可以根据参与方主动提供的信息为该参与方设置相应的标签。进而在无需参与方上传本地数据的前提下为该参与方进行适当的预设条件，保证用户的数据隐私的安全。

S203，将数据信息的分类加入分类任务队列的消息下发参与方。

具体地，服务器可以根据调取的预设条件将参与方上传的数据信息进行分类，并将分类的结果发送至对应的分类任务队列中，其中，每一个参与方分配一个分类任务队列。

S204，响应参与方上传的本地模型的执行信息，确定参与方的本地模型的训练方案。

具体地，当参与方接收到所上传的数据信息已经进入到服务器的分类任务队列中时，参与方会向服务器上传本地模型的执行信息，而此时，服务器会响应参与方上传的本地模型的执行信息，为参与方确定参与方的本地模型的训练方案。

进一步地，对于确定参与方的本地模型的训练方案可以通过下述方式实现：步骤一、响应参与方上传的本地模型的执行信息；

步骤二、将执行信息与数据信息的分类相匹配；

当匹配的信息为更新参与方发送的本地模型时，计算参与方训练本地模型目标训练轮数的值，将本地模型为更新训练模型方案；

当匹配的信息为参与方当前对本地模型训练为最后一轮训练时，计算参与方最后一轮本地模型训练的参数的平均值，并将平均值作为最终的训练模型参数，将本地模型为训练模型方案。

其中，将平均值作为最终的训练模型参数可以采用下述方式实现：首先，将计算参与方的最后一轮本地模型训练的参数的平均值进行验证；然后，当验证结果在预设的范围内时，下发给参与方作为最终的训练模型参数。

其中，计算参与方训练本地模型目标训练轮数的值可以通过下述方式实现：可以通过判断当前参与方的本地模型训练轮数是否满足预设收敛值；如果满足，则确定训练轮数；如果不满足，则反馈参与方继续进行本地模型更新直至满足损失函数收敛值。

S205，将训练方案加密后下发至参与方。

根据本公开实施例提供的技术方案，服务器通过接收参与方上传的数据信息，其中数据信息至少包含：参与方的本地模型信息和/或本地模型信息对应的本地模型训练的参数；根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类；将数据信息的分类加入分类任务队列的消息下发参与方；响应参与方上传的本地模型的执行信息，确定参与方的本地模型的训练方案；将训练方案加密后下发至所述参与方。进而可以通过在进行模型训练时能够高效实时的对训练数据进行分类以提高参与方的本地模型的训练精度和稳定性。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

图3是本公开实施例提供的一种基于联合学习的信息分类方法的流程图。图3的基于联合学习的信息分类方法可以由图1的参与方执行。如图3所示，该基于联合学习的信息分类方法包括：

S301，响应于服务器下发的密钥，确认为联合学习架构中的参与方。

参与方在加联合学习框架之前需要得到服务器的认证，即选取符合条件的加入者(符合条件可以是数据标准或硬件标准满足服务预设条件等)。

S302，向服务器上传数据信息，其中数据信息至少包含：参与方的本地模型信息和/或本地模型信息对应的本地模型训练的参数。

S303，响应于服务器将数据信息的分类加入分类任务队列的消息。

S304，获取服务器下发的加密的本地模型的训练方案。

具体地，参与方在知道所上传的数据信息已经进入到服务器中的分类任务队列时，会向服务器上传当前的本地模型的执行信息；服务器会根据该执行信息将相关的训练模型方案通过分类任务队列下发给参与方。

S305，根据训练方案对本地模型进行训练分类，并将训练分类后的执行结果上传至服务器。

具体地，根据训练方案对所述本地模型进行训练分类，并将训练分类后的执行结果上传至服务器可以通过下述方式实现：

当训练方案为更新训练模型方案时，利用联合学习的神经网络算法更新参与方的本地模型的参数，并将更新的本地模型的信息上传至服务器；

当训练方案为训练模型方案时，获取服务器下发的训练模型参数对本地模型进行最后一轮模型训练，并将最一轮的模型训练结果上传到服务器。

其中，利用联合学习的神经网络算法更新参与方的本地模型的参数可以通过下述方式实现：获取本地训练模型的数据；对本地训练模型的数据进行预处理；根据预处理结果进行结构化整合。

根据本公开实施例提供的技术方案，参与方通过响应于服务器下发的密钥，确认为联合学习架构中的参与方；向服务器上传的数据信息，其中数据信息至少包含：参与方的本地模型信息和/或所述本地模型信息对应的本地模型训练的参数；响应于服务器将所述数据信息的分类加入分类任务队列的消息；

获取服务器下发的加密的本地模型的训练方案；根据训练方案对本地模型进行训练分类，并将训练分类后的执行结果上传至服务器。进而可以通过在进行模型训练时能够高效实时的对训练数据进行分类以提高参与方的本地模型的训练精度和稳定性。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是本公开实施例提供的一种基于联合学习的信息分类装置的示意图。

如图4所示，该基于联合学习的信息分类装置包括：

接收模块401，被配置为用于服务器接收参与方上传的数据信息，其中所述数据信息至少包含：参与方的本地模型信息和/或所述本地模型信息对应的本地模型训练的参数；

预处理模块402，被配置为用于根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类；

分配模块403，被配置为用于将数据信息的分类加入分类任务队列的消息下发参与方；

确定模块404，被配置为用于响应参与方上传的本地模型的执行信息，确定参与方的本地模型的训练方案；

发送模块405，被配置为用于将训练方案加密后下发至参与方。

根据本公开实施例提供的技术方案，服务器通过接收参与方上传的数据信息，其中数据信息至少包含：参与方的本地模型信息和/或本地模型信息对应的本地模型训练的参数；根据调取联合学习框架中的预设条件对参与方上传的数据信息进行筛选，以得到数据信息的分类；将数据信息的分类加入分类任务队列的消息下发参与方；响应参与方上传的本地模型的执行信息，确定参与方的本地模型的训练方案；将训练方案加密后下发至所述参与方。进而可以通过在进行模型训练时能够高效实时的对训练数据进行分类以提高参与方的本地模型的训练精度和稳定性。

图5是本公开实施例提供的一种基于联合学习的信息分类装置的示意图。

如图5所示，该基于联合学习的信息分类装置包括：

响应模块501，被配置为用于响应于服务器下发的密钥，确认为联合学习架构中的参与方；

上传模块502，被配置为用于向服务器上传的数据信息，其中数据信息至少包含：图像信息的本地模型信息和/或文本信息的本地模型信息；

接收模块503，被配置为用于响应于服务器将所述数据信息的分类加入分类任务队列的消息；

获取模块504，被配置为获取服务器下发的加密的所述本地模型的训练方案；

训练模块505，被配置为用于根据所述训练方案对所述本地模型进行训练分类，并将训练分类后的执行结果上传至服务器。

根据本公开实施例提供的技术方案，参与方通过响应于服务器下发的密钥，确认为联合学习架构中的参与方；向服务器上传的数据信息，其中数据信息至少包含：参与方的本地模型信息和/或所述本地模型信息对应的本地模型训练的参数；响应于服务器将所述数据信息的分类加入分类任务队列的消息；

获取服务器下发的加密的本地模型的训练方案；根据训练方案对本地模型进行训练分类，并将训练分类后的执行结果上传至服务器。进而可以通过在进行模型训练时能够高效实时的对训练数据进行分类以提高参与方的本地模型的训练精度和稳定性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图6是本公开实施例提供的计算机设备6的示意图。如图6所示，该实施例的计算机设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在计算机设备6中的执行过程。

计算机设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是计算机设备6的示例，并不构成对计算机设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器601可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器602可以是计算机设备6的内部存储单元，例如，计算机设备6的硬盘或内存。存储器602也可以是计算机设备6的外部存储设备，例如，计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器602还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。